[发明专利]一种移动k近邻差异化查询方法、系统及装置

说明书

本发明公开了一种移动k近邻差异化查询方法、系统及装置，方法包括：对待查询数据进行弹性数据筛选；采用Kmeans聚类算法对弹性数据筛选结果进行分类；采用Knn查询方法对分类得到的各类数据进行排序；对排序结果进行安全区域计算；根据安全区域计算结果，生成差异化查询结果；系统包括数据筛选模块、分类模块、排序模块、计算模块和生成模块；装置包括存储器和处理器。本发明在提高了运算效率的同时，还保证了最终查询结果的差异性，能够满足多种环境需求，适用性强，可广泛应用于计算机技术领域。

技术领域

本发明涉及计算机技术领域，尤其是一种移动k近邻差异化查询方法、系统及装置。

背景技术

名词解释：

Kmeans：K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为形心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各簇的形心的值，直至得到最好的聚类结果。(形心可以是实际的点、或者是虚拟点)。

k近邻(knn)：K最近邻(k-Nearest Neighbor，KNN)是指运用某种算法找到参考点的K个最近邻对象。

差异化查询：不同用户具有不同爱好、需求，查询算法应当根据现实情况考虑多种用户需求尽量实现查询结果的多样化、差异化。

目标函数：一个工程设计问题常有许多可行的设计方案，最优化设计的任务是要找出其中最优的一个方案。评价最优方案的标准应是在设计中能最好地反映该项设计所要追求的某些特定目标。通常，这些目标可以表示成设计变量的数学函数，这种函数称为目标函数。目标函数f(x)就是用设计变量来表示的所追求的目标形式，所以目标函数就是设计变量的函数，是一个标量。

运算复杂度：算法复杂度是指算法在编写成可执行程序后，运行时所需要的资源，资源包括时间资源和内存资源。同一问题可用不同算法解决，而一个算法的质量优劣将影响到算法乃至程序的效率。算法分析的目的在于选择合适算法和改进算法。一个算法的评价主要从时间复杂度和空间复杂度来考虑。

欧氏距离：欧几里得度量(euclidean metric)(也称欧氏距离)是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

空间数据库是指地理信息系统在计算机物理存储介质上存储的与应用相关的地理空间数据的总和，一般是以一系列特定结构的文件的形式组织在存储介质之上的。其研究始于20世纪70年代的地图制图与遥感图像处理领域，其目的是为了有效地利用卫星遥感资源迅速绘制出各种经济专题地图。目前已经广泛应用在各种地理信息查询系统。

在地理信息查询系统中，最近邻查询是最常见的查询。它是不同于点查询(PointQueries)和范围查询的另一类查询方法，用来找出空间中距离一给定点最近的k个对象即最近邻k点，最近邻的数目可以是1个，也可以是多个，即Knn查询。但是，Knn查询仅适用于参考点和查询点均为静止状态的情况下。

移动k近邻查询(MKNN)是常见的连续空间查询类型。MKNN查询可以看作是参考点移动情况下的连续不间断的Knn查询。实现MKNN的大致思路主要是：将参考点的移动轨迹转化为多个离散点的集合，进而对各个离散参考点进行Knn查询。由此，实现MKNN的关键是如何高效地将参考点的移动轨迹转化为多个离散点的集合，且这些离散点的Knn查询应当具有尽量大的独立性和尽量长的时效性，以避免系统长时处于高负荷的运算状态下。

考虑到现实情况，需求并不是恒定的，而是多样的，因此信息查询也应当是多样化、差异化的。而差异化可以是地理上的差异化，也可以是多种因素即高维度的差异化。移动k近邻差异化查询(MKDNN)就是在MKNN基础上实现的差异化查询。